Limitations of Quantum Advantage in Unsupervised Machine Learning
Centre for High Energy Physics, Indian Institute of Science, Bangalore(高能物理中心,印度科学研究院,班加罗尔);International Centre for Theoretical Sciences, Bangalore(理论科学国际中心,班加罗尔)
研究探讨了量子方法在无监督学习中相较于经典方法的局限性,指出量子密度矩阵的独特特性在特定输入数据和目标可观测量下才可能带来优势。
2026-05-13 cs.LG quant-ph
Anti-Zeno quantum advantage in fast-driven heat machines
发展量子机器,使其性能优于经典量子机器,从而实现量子霸权或量子优势,是当前量子热力学和量子技术研究的一个主要目标。在这里,我们表明,在非马尔可夫状态下运行的快速调制循环量子热机可以导致反芝诺效应引起的显着热流和功率增强。这样的提升意味着一个量子优势,超过了迄今为止提出的几乎所有在传统马尔可夫制度下运行的热机,在传统马尔可夫制度下,系统-浴相互作用的量子性不起作用。目前的效果归功于它的起源在量子力学的时间-能量不确定性关系,这可能会导致增强系统浴能量交换的调制周期短于浴相关时间。
2020-01-14 cond-mat.stat-mech quant-ph
Advantages and Bottlenecks of Quantum Machine Learning for Remote Sensing
Massachusetts Institute of Technology (MIT)(麻省理工学院);University of Sannio(桑尼奥大学);European Space Agency(欧洲航天局);Italian Space Agency(意大利航天局)
这篇概念论文旨在简要介绍量子计算机,探索量子图像分类技术的现有方法,因此专注于遥感应用,并讨论在当前可用的开源平台上执行这些算法的瓶颈。初步结果证明了可行性。接下来的步骤包括扩展量子隐藏层的大小,并增加输出图像选项的种类。
2021-06-30 cs.AI cs.LG quant-ph
Relation between quantum advantage in supervised learning and quantum computational advantage
本文研究了监督学习中的量子优势与量子计算优势的等价条件,发现生成训练集的高效算法是关键基石,并证明在素数分解问题经典不可解假设下某些学习任务存在量子加速。
2023-07-01 quant-ph
Learning to Utilize Correlated Auxiliary Noise: A Possible Quantum Advantage
University of Waterloo(滑铁卢大学);Perimeter Institute for Theoretical Physics(圆周理论物理研究所);University of British Columbia(不列颠哥伦比亚大学);Institute for Quantum Computing, University of Waterloo(滑铁卢大学量子计算研究所)
这份文件有两个信息。首先,我们证明了处理噪声数据的神经网络可以学习利用与数据上的噪声相关的辅助噪声。实际上,网络学习使用相关辅助噪声作为近似密钥来解密其噪声输入数据。其次,我们证明,对于这项任务,随着噪声的增加,缩放行为是这样的,未来的量子机器可能具有优势。特别地,去相干在环境中产生相关的辅助噪声。因此,新方法可以通过提供机器学习的量子纠错来帮助实现未来的量子机器。
2020-09-16 cs.LG quant-ph
A brief history of quantum vs classical computational advantage
Michigan State University(密歇根州立大学)
本文综述了迄今为止所有声称量子计算优势的实验,并讨论了后续工作中的挑战、漏洞和反驳,以及近似优化和推荐系统等示例问题中的理论计算优势,最后回顾了量子纠错实验的最新进展。
2026-08-28 cs.ET physics.hist-ph quant-ph
Parameterized Quantum Circuits with Quantum Kernels for Machine Learning: A Hybrid Quantum-Classical Approach
IBM(国际商业机器公司)
量子机器学习(QML)是利用量子计算进行计算的机器学习算法。随着经典数据的普遍性和重要性,量子-经典混合方法被称为QML。参数化量子线路(PQC),特别是量子核PQC,通常用于QML的混合方法中。本文讨论了带量子核的PQC的几个重要方面,包括PQC、量子核、具有量子优势的量子核以及量子核的可训练性。我们得出结论,量子核与混合核方法,又名。量子核方法作为QML的混合方法提供了明显的优势。它们不仅适用于有噪声的中间尺度量子(NISQ)设备,还可用于解决所有类型的机器学习问题,包括回归、分类、聚类和降维。此外,除了量子效用之外,如果量子内核,即,量子特征编码是经典的难以处理的。
2022-10-17 cs.LG quant-ph
Quantum computational advantage with string order parameters of 1D symmetry-protected topological order
具有有利量子策略的非定域博弈可以说是量子资源相对于经典资源的力量的最基本的证明。最近,某些多人推广的非局部游戏已被用来证明无条件分离之间的小计算复杂性类的浅深度电路。在这里,我们展示了这些非局部游戏的通用基态的一维的拓扑保护订单(SPTO)的有利策略,当一个离散的不变量的SPTO称为扭曲相位是非平凡的和-1。我们的建设表明,足够大的字符串序参量,这样的SPTO的指示全局约束的相关性,无条件的计算分离。
2021-07-29 quant-ph
Quantum computational advantage implies contextuality
我们表明,所有的问题,可以有效地解决在量子计算机和那些可解决的概率经典算法在多项式时间的类之间的分离意味着广义的上下文的量子算法。我们的结果包含版本的Gottesman-Knill定理作为特殊情况。
2021-12-15 quant-ph
Quantum Machine Learning: Quantum Kernel Methods
QSPectral Systems
本文研究量子核方法在支持向量机和卷积神经网络中的应用,通过数据依赖的投影量子核展示量子优势,并探索其作为CNN特征提取层的扩展。
2024-05-02 cs.LG quant-ph
Quantum Energetic Advantage before Computational Advantage in Boson Sampling
Quandela SAS(Quandela公司);Eidgenössische Technische Hochschule Zürich(苏黎世联邦理工学院)
本研究通过分析玻色采样问题的能量成本,证明了量子计算在能量效率上优于经典计算,即使在经典算法仍更快的模式中,这一优势在计算优势出现前即可显现。
2026-01-12 quant-ph
A scalable advantage in multi-photon quantum machine learning
University of Vienna(维也纳大学);Technology Innovation Institute(技术创新研究所)
本研究通过理论和实验证明多光子状态在量子机器学习中的可扩展优势,展示了线性光学电路学习能力的多项式增长及在光子集成平台上的应用
2025-11-26 physics.optics quant-ph
Quantum Machine Learning Framework for Virtual Screening in Drug Discovery: a Prospective Quantum Advantage
The Hartree Centre, STFC(科学与技术设施委员会哈特里中心);IBM Quantum, IBM Research – Zurich(IBM研究院(苏黎世)IBM量子部门)
本文提出将经典支持向量分类器与量子核估计相结合的通用量子机器学习框架,用于基于配体的虚拟筛选,并在 IBM 量子处理器上验证其相对经典方法具有潜在优势。
2022-04-08 cs.LG physics.chem-ph quant-ph
Quantum computational advantage of noisy boson sampling with partially distinguishable photons
Seoul National University(首尔大学);Korea Advanced Institute of Science and Technology(韩国科学技术院)
本文研究部分可区分光子噪声对 boson sampling 经典不可解性的影响,证明平均 O(log N) 个可区分光子仍保持理想复杂度,为含噪实验实现量子计算优越性提供理论依据。
2025-07-08 quant-ph
Benchmarking Quantum and Classical Machine Learning Models on Oncological Data
Cascade Quantum Inc(Cascade量子公司)
本研究开发公平基准测试方法,对比量子与经典机器学习模型在三类肿瘤数据集上的表现,未发现量子优势,建议优先分析高维度、更符合生物学实际的数据集以推进实用量子优势研究。
2026-08-13 quant-ph
How to Design a Classically Difficult Random Quantum Circuit for Quantum Computational Advantage Experiments
本文提出一种自动化协议设计方法,用于在量子计算优势实验中寻找最优随机量子线路,有效提升经典模拟成本并适应通用平面量子处理器架构及实际缺陷。
2025-01-27 quant-ph
Minimal quantum thermal machine in a bandgap environment: non-Markovian features and anti-Zeno advantage
分析了量子热机的一个极小模型,其中被驱动的二能级工作介质(WM)被嵌入在其光谱具有带隙的环境(库)中。与其光谱由带隙分离的热或冷储层重叠。近似和精确的治疗支持的分析考虑产生一个完整的表征,这个热机器在深量子域。对于慢到中等调制,储层的光谱响应接近平衡,在热流和功率输出中表现出边带(Floquet)共振。相反,对于更快的调制,强耦合和非马尔可夫特征引起WM和水库之间的相关性和两个水库之间。然后,发现对于连续和分段快速调制,导致增强的光谱储层响应的反芝诺效应的严格量子起源(“量子优势”)的功率提升。这些特征不能被标准的马尔可夫处理所捕获。
2022-11-23 cond-mat.stat-mech quant-ph
Power of data in quantum machine learning
Google Research(谷歌研究院);Institute for Quantum Information and Matter, Caltech(加州理工学院量子信息与物质研究所)
将量子计算用于机器学习是量子技术最令人兴奋的潜在应用之一。然而,提供数据的机器学习任务可能与通常研究的计算任务有很大不同。在这项工作中,我们证明了一些经典的难以计算的问题可以通过经典的机器从数据中学习来轻松预测。使用严格的预测误差界为基础,我们开发了一种方法来评估潜在的量子优势在学习任务。边界是紧密的渐近和经验预测广泛的学习模型。这些构造解释了数值结果,表明在数据的帮助下,经典机器学习模型可以与量子模型竞争,即使它们是针对量子问题定制的。然后,我们提出了一个投影量子模型,提供了一个简单而严格的量子加速学习问题的容错制度。对于近期实现,我们在工程数据集上展示了与一些经典模型相比的显着预测优势,这些工程数据集旨在展示迄今为止基于门的量子机器学习的最大数值测试之一中的最大量子优势,高达30个量子位。
2021-02-10 cs.LG quant-ph
Exponential quantum advantage in processing massive classical data
California Institute of Technology(加州理工学院);Google Quantum AI(谷歌量子人工智能);Massachusetts Institute of Technology(麻省理工学院);Oratomic
本文证明了小型量子计算机可通过实时处理样本实现大规模分类和降维,而经典计算机需指数级更大规模才能达到相同性能,且在实际应用中展示了显著的效率提升。
2026-10-02 cs.AI cs.CC cs.IT
Resources for bosonic quantum computational advantage
本研究将玻色子量子计算转化为连续变量采样计算,推导出复杂度依赖非高斯星秩的经典模拟算法,并基于缺乏被动可分性定义了非高斯纠缠,阐明了挤压、非高斯性与纠缠等计算资源间的相互作用。
2023-04-04 quant-ph
Quantum-Informed Machine Learning for Predicting Spatiotemporal Chaos with Practical Quantum Advantage
Centre for Computational Science, University College London(伦敦大学学院计算科学中心);Informatics Institute, University of Amsterdam(阿姆斯特丹大学信息学院);Centre for Advanced Research Computing, University College London(伦敦大学学院高级计算研究中心)
本文提出量子启发机器学习框架,结合量子生成模型与经典自回归预测器,提升高维混沌系统长期行为预测精度和频谱保真度,同时实现内存优势。
2026-03-13 cs.LG quant-ph
Quantum Advantage of Thermal Machines with Bose and Fermi Gases
本文证明无相互作用量子气体可构成依赖粒子统计、化学势和空间维度的热力学机器,并通过分析量子斯特林循环揭示低维度下费米与玻色气体的显著行为差异。
2023-04-18 quant-ph
Experimental demonstration of quantum advantage for NP verification with limited information
近年来,已经提出了许多计算任务作为显示量子计算优势的候选者,这是使用量子而不是经典机器执行任务所需时间的优势。然而,这种优势的实际证明仍然特别具有挑战性,因为很难将所有必要的理论和实验成分结合在一起。在这里,我们展示了一个量子计算的优势,在一个证明者-验证者的互动设置,其中的计算任务包括在验证一个NP完全问题的验证者谁只得到有限的信息,由一个不可信的证明者发送的证明,在一系列的非纠缠量子态的形式。我们提供了一个简单的线性光学实现,可以有效地执行这个验证任务(在几秒钟内),同时我们也提供了强有力的证据,固定的证明的大小,一个经典的计算机将需要更长的时间(假设只需要指数时间来解决NP完全问题)。虽然我们的计算优势涉及一个主要是理论兴趣的场景中的特定任务,但它使我们更接近潜在的有用应用,例如服务器-客户端量子计算。
2021-02-08 quant-ph
Empirical Quantum Advantage Analysis of Quantum Kernel in Gene Expression Data
Shahjalal University of Science & Technology(沙贾拉尔科技大学)
本文研究量子机器学习在分类任务中的量子优势,通过比较量子与经典方法在基因表达数据集上的表现并评估量子电路计算复杂度,验证了量子核方法在现实世界中的可用性。
2024-11-11 cs.ET cs.LG quant-ph
The Born Supremacy: Quantum Advantage and Training of an Ising Born Machine
University of Edinburgh(爱丁堡大学);CNRS(法国国家科学研究中心);École Normale Supérieure(巴黎高等师范学院);Sorbonne Université(索邦大学)
对近期量子器件应用的研究是广泛的。量子机器学习被吹捧为此类设备的潜在利用,特别是那些超出经典计算机模拟能力范围的设备。在这项工作中,我们提出了一个生成的量子机器学习模型,称为伊辛出生机(IBM),我们表明,在最坏的情况下,并达到适当的错误概念,可以有效地模拟经典设备。我们还表明,这适用于培训过程中遇到的所有电路系列。特别是,我们探索量子线路学习使用非通用电路从伊辛模型哈密顿,这是实现短期量子设备。我们提出了两种新的训练方法的IBM利用斯坦离散和Sinkhorn发散成本函数。我们使用Rigetti的Forest平台和Aspen-1 16 Q芯片中的模拟器进行数值计算,我们建议的成本函数优于更常用的最大平均离散度(MMD)用于可微训练。我们还提出了一个改进的MMD提出了一种新的利用量子内核,我们证明了它的经典对应提供了改进。我们讨论了这些方法学习“硬”量子分布的潜力,这将证明量子优于经典计算机的壮举,并提供了第一个正式的定义,我们称之为“量子学习至上”。最后,我们提出了一个新的观点,量子电路编译领域使用IBM“模仿”目标量子线路,只使用经典的输出数据。
2021-04-27 cs.LG quant-ph
Quantum Boltzmann Machines: Applications in Quantitative Finance
在这篇论文中,我们探索使用D-Wave Advantage 4.1量子退火机从量子玻尔兹曼分布中采样并训练量子玻尔兹曼机(QBM)。我们专注于使用QBM作为生成模型来生成合成外汇市场数据的现实问题,并分析结果如何与基于受限玻尔兹曼机(RBM)的经典模型相叠加。此外,我们研究了一个小的12量子位的问题,我们使用它来比较从优势4.1与理论获得的样本,并在此过程中获得重要的见解优势4.1可以如何采样量子玻尔兹曼随机变量,并用于训练QBM。通过这一点,我们能够证明Advantage 4.1可以在一定程度上对经典玻尔兹曼随机变量进行采样,但在对量子玻尔兹曼分布进行采样的能力方面受到限制。我们的研究结果表明,使用Advantage 4.1训练的QBM比使用模拟训练的QBM噪音大得多,并且很难达到与经典RBM相同的水平。然而,如果未来一代退火机可以生成更接近所需理论分布的样本,则QBM有可能优于经典RBM。
2023-01-30 q-fin.CP quant-ph
Evidence of Quantum Machine Learning Advantage with Tens of Noisy Qubits
Leiden University(莱顿大学);QuTech and Kavli Institute of Nanoscience, Delft University of Technology(代尔夫特理工大学量子技术研究所和卡弗里纳米科学研究所)
该研究通过模拟和分析现有硬件在已知具有渐进优势的学习问题上的性能,证明在噪声量子数据条件下,相干量子处理在30到40个噪声量子比特的规模上仍能保持优势,表明近-term设备可以实现强学习优势。
2026-05-20 quant-ph
Quantum advantage for learning shallow neural networks with natural data distributions
Google Quantum AI(谷歌量子人工智能);University of Cambridge(剑桥大学);University of Edinburgh(爱丁堡大学)
本文提出了一种高效量子算法,在非均匀数据分布下实现学习周期神经元的指数级量子优势。
2026-02-09 cs.LG quant-ph
Prospects of Privacy Advantage in Quantum Machine Learning
Global Technology Applied Research, JPMorgan Chase(摩根大通全球技术应用研究部);School of Physics, The University of Melbourne(墨尔本大学物理学院)
本研究探讨量子机器学习模型梯度的数据恢复难度,首次建立变分量子电路的动力学李代数与隐私性的关联,分析强弱隐私泄露的条件,为平衡可训练性与隐私保护的量子模型设计提供指导。
2024-05-15 cs.LG quant-ph
Information-theoretic bounds on quantum advantage in machine learning
Caltech(加州理工学院);Johannes Kepler University Linz(约翰内斯·开普勒大学林茨);AWS Center for Quantum Computing(亚马逊云科技量子计算中心)
我们研究了经典和量子机器学习(ML)模型在预测物理实验结果方面的性能。实验依赖于输入参数$x$,并涉及(可能未知的)量子过程$\mathcal{E}$的执行。我们的品质因数是达到预期预测性能所需的$\mathcal{E}$运行次数。我们考虑经典ML模型,它在每次运行$\mathcal{E}$后执行测量并记录经典结果,以及量子ML模型,它可以相干地访问$\mathcal{E}$以获取量子数据;然后使用经典或量子数据来预测未来实验的结果。我们证明了对于任何输入分布$\mathcal{D}(x)$,经典ML模型可以通过访问$\mathcal{E}$多次来提供平均准确的预测,与最佳量子ML模型相当。相比之下,为了实现对所有输入的准确预测,我们证明了指数量子优势是可能的。例如,为了预测$n$ -量子比特系统$ρ$中所有泡利观测值的期望值,经典ML模型需要$ρ$的$2^{Ω(n)}$副本,但我们提出了一个仅使用$\mathcal{O}(n)$副本的量子ML模型。我们的研究结果澄清了量子优势的可能性,并强调了经典ML模型解决物理和化学中具有挑战性的量子问题的潜力。
2021-04-02 cs.IT cs.LG math.IT
Coherent advantage in the computational expressivity of excitonic networks
University of Chicago(芝加哥大学);The James Franck Institute, University of Chicago(詹姆斯·弗兰克研究所,芝加哥大学)
本文研究驱动-耗散激子网络作为计算平台,证明相干性使计算表达性随网络规模扩展,类似人工神经网络,且强退相会抑制该扩展,确立了相干性作为非平衡量子系统中表达性计算的资源。
2026-09-28 quant-ph
Can Geometric Quantum Machine Learning Lead to Advantage in Barcode Classification?
University of Exeter(埃克塞特大学)
本文提出一种带嵌入对称性的几何量子机器学习方法,通过对称感知测量自适应实现相似性分类,在条形码相似性测试中显著优于经典Siamese网络,并分析了其优势来源及与BQP复杂度分离问题的联系。
2024-09-02 cond-mat.dis-nn cs.CV quant-ph
Quantum kernels for real-world predictions based on electronic health records
Amgen(安进公司);IBM Quantum(IBM量子);IBM Switzerland Ltd(IBM瑞士有限公司);IBM Thomas J. Watson Research Center(IBM托马斯·J·沃森研究中心)
近年来,关于近期量子机器学习的研究已经探索了被赋予量子内核(相似性度量)的经典机器学习算法如何超越纯粹的经典算法。虽然理论工作已经证明了在合成数据集上的优势,但迄今为止还没有工作从经验上研究量子优势是否可以实现以及用什么样的数据集。在本文中,我们报告的第一个系统的调查经验量子优势(EQA)在医疗保健和生命科学,并提出了一个端到端的框架来研究EQA。我们选择了电子健康记录(EHR)数据子集,并创建了5-20个特征和200-300个训练样本的配置空间。对于每个配置坐标,我们使用IBM量子计算机训练基于径向基函数(RBF)内核的经典支持向量机(SVM)模型和具有自定义内核的量子模型,使其成为迄今为止最大的量子机器学习实验之一。我们根据经验确定了量子内核可以在特定数据集上提供优势的制度,并引入了地形坚固性指数,这是一种有助于定量估计给定模型的准确性如何作为特征数量和样本大小的函数的度量。这里介绍的可推广的框架是一个关键步骤,先验识别的数据集,量子优势可能存在。
2022-01-31 cs.LG quant-ph
Predicting sampling advantage of stochastic Ising Machines for Quantum Simulations
Radboud University(拉德堡德大学);Politecnico di Bari(巴里理工大学);University of Messina(墨西拿大学)
本文提出利用随机异斯机在神经网络量子态模拟中实现量子磁体的高效采样,通过自相关时间分析预测采样优势,展示了大规模量子系统研究的潜力。
2026-03-05 cond-mat.dis-nn cs.ET quant-ph
Computational advantage of quantum random sampling
本文围绕量子随机采样的计算优势,系统梳理其理论基础、实验实现与经典模拟的研究进展,探讨领域待解问题并展望其潜在应用方向。
2023-03-10 cond-mat.quant-gas cs.CC quant-ph
On the role of coherence for quantum computational advantage
Quandela;Sorbonne Université, CNRS, LIP6(索邦大学);DIENS, Ecole Normale Supérieure, PSL University, CNRS, INRIA(巴黎高等师范学院);School of Informatics, University of Edinburgh(爱丁堡大学)
本文引入路径相干性度量,基于路径求和形式提出经典算法估计量子跃迁振幅,揭示相干性在量子计算优势中的关键作用,并用于经典模拟量子计算。
2025-10-09 quant-ph
Practical computational advantage from the quantum switch on a generalized family of promise problems
量子交换机是量子计算原语,其通过以阶的叠加来应用操作来提供计算优势。特别是,它可以减少解决承诺问题所需的门查询的数量,其中目标是区分给定的一组酉门的一组属性。在这项工作中,我们使用复阿达玛矩阵引入更一般的承诺问题,减少到已知的傅立叶和阿达玛承诺问题的限制情况。我们的推广放宽了对矩阵大小、门数和量子系统维数的限制,提供了更多的参数可供探索。此外,它导致的结论是,一个连续变量系统是必要的,以实现最一般的承诺问题。在有限维的情况下,矩阵族被限制为所谓的Butson-Hadamard型,并且矩阵的复杂性作为约束进入。我们引入了“每门查询”参数,并使用它来证明量子开关提供计算的连续和离散的情况下的优势。我们的研究结果应该激发使用量子开关的承诺问题的实现,其中参数和实验设置可以更自由地选择。
2023-03-02 quant-ph
Shadows of quantum machine learning
Institute for Theoretical Physics, University of Innsbruck(因斯布鲁克大学理论物理研究所);Dahlem Center for Complex Quantum Systems, Freie Universität Berlin(柏林自由大学达勒姆复杂量子系统中心);Leiden University(莱顿大学)
本文提出一种仅在训练阶段使用量子资源、部署时转为经典“影子模型”的量子机器学习新范式,并证明其具有通用性、受限但可证明优于纯经典学习器的学习优势。
2024-07-07 cs.AI cs.LG quant-ph
Quantum Computational Advantage via High-Dimensional Gaussian Boson Sampling
光子学是一个很有前途的平台,通过在定义明确的计算任务上超越最强大的经典超级计算机来展示量子计算优势(QCA)。尽管有这样的承诺,现有的建议和示范面临挑战。实验上,高斯玻色子采样(GBS)的当前实现缺乏可编程性或具有过高的丢失率。理论上,GBS的经典硬度相对缺乏严格的证据。在这项工作中,我们在改善理论证据和实验前景方面取得了进展。我们提供的证据GBS的硬度,相当于最强的理论建议QCA。我们还提出了一种新的QCA架构,我们称之为高维GBS,这是可编程的,可以实现低损耗,使用很少的光学元件。我们表明,特定的算法模拟GBS的高维GBS实验在适度的系统大小优于。因此,这项工作开辟了展示QCA与可编程光子处理器的道路。
2022-01-28 quant-ph
Quantum computational advantage with constant-temperature Gibbs sampling
该研究通过设计可快速热化的对易局域哈密顿量,结合浅层IQP电路的容错归约,证明恒温量子吉布斯态采样任务具有经典计算无法实现的量子计算优势。
2024-09-18 quant-ph
Universal expressiveness of variational quantum classifiers and quantum kernels for support vector machines
University of British Columbia(不列颠哥伦比亚大学);Technische Universität Darmstadt(达姆施塔特工业大学);Stewart Blusson Quantum Matter Institute(斯图尔特·布吕松量子物质研究所)
机器学习被认为是量子计算最有前途的应用之一。因此,寻找具有量子优势的量子机器学习模型是一个重要的研究目标。在这里,我们表明,变分量子分类器和支持向量机与量子内核可以解决分类问题的基础上的$k$ -Forrelation问题,这是已知的PromiseBQP-完成。由于PromiseBQP复杂性类包括所有有界误差量子多项式时间(BQP)决策问题,我们的研究结果意味着存在一个特征映射和一个量子核,使变分量子分类器和量子核支持向量机有效解决任何BQP问题。因此,这项工作意味着它们的特征映射和量子内核可以分别被设计为对于任何分类问题都具有量子优势,这些问题不能在多项式时间内经典地解决,但相反可以通过量子计算机解决。
2023-02-09 cs.LG quant-ph
Energy-Consumption Advantage of Quantum Computation
本研究提出一个通用框架,通过推导量子计算能量消耗上界和经典计算下界,严格证明了量子计算在解决西蒙问题上具有指数级能量消耗优势,并提出了实验验证标准。
2025-02-04 quant-ph
Application of quantum machine learning using quantum kernel algorithms on multiclass neuron M type classification
Laboratoire de Recherche en Neurosciences Cliniques(临床神经科学研究实验室);IBM Technology(IBM技术公司);Ecole Nationale Supérieure de Cognitique Bordeaux(波尔多国立认知高等学院);IBM Quantum, IBM T J Watson Research Center(IBM量子计算部,IBM T.J.沃森研究中心)
针对神经元类型功能表征的长期挑战,本研究首次提出用基于量子核算法的量子机器学习对神经元形态进行多类分类,考察特征工程影响,发现其与经典方法性能相近且在部分配置有优势,加深对量子核方法在该任务中性能的理解。
2025-02-10 cs.LG quant-ph
Exponential Quantum Communication Advantage in Distributed Inference and Learning
提出基于量子网络的分布式计算框架,将数据编码为量子态,证明在推理和训练中可实现指数级通信优势且开销适中,为分布式机器学习奠定基础。
2024-09-26 quant-ph stat.ML
Computational Advantage in Hybrid Quantum Neural Networks: Myth or Reality?
该研究针对混合量子神经网络是否具备计算优势的问题,通过多分类基准测试对比经典模型与经典硬件模拟的HQNNs,发现后者随问题复杂度提升的资源缩放效率更高,验证了其可扩展性与应用潜力。
2025-02-21 quant-ph
Provable advantages of kernel-based quantum learners and quantum preprocessing based on Grover's algorithm
ETH Zürich(苏黎世联邦理工学院);Swiss Data Science Center(瑞士数据科学中心)
本文扩展量子支持向量机的加速结论,在核中利用 Grover 算法获得可证明优势,并通过模式匹配问题及量子预处理结合经典分类验证其实用性与性能提升。
2023-09-25 cs.LG quant-ph
Anisotropy-assisted thermodynamic advantage of a local-spin thermal machine
本研究探究各向异性对双自旋耦合量子奥托热机性能的影响,发现局域自旋量子奥托发动机可借助量子干涉效应,在效率和最大功率上超越标准量子奥托极限。
2023-09-09 quant-ph
Demonstration of quantum advantage in machine learning
量子计算的主要前景是有效地解决某些问题,这些问题对于经典计算机来说过于昂贵。大多数具有已证实的量子优势的问题都涉及到重复使用一个黑盒子,或神谕,其结构编码的解决方案。算法性能的一个度量是查询复杂度,即,以给定概率找到解决方案所需的Oracle调用的数量的缩放。像Deutsch-Jozsa和Grover这样的量子算法的几个量子位演示已经在不同的物理系统中实现,如核磁共振、捕获离子、光学系统和超导电路。然而,在小规模上,这些问题已经可以用几个oracle查询来经典地解决,并且可达到的量子优势是适度的。在这里,我们使用一个五量子比特的超导处理器解决了一个基于预言机的问题,称为噪声学习奇偶校验。在同一个oracle上运行经典和量子算法,我们观察到查询计数有很大的差距,有利于量子处理。我们发现,这个差距增长的数量级的错误率和问题的大小的函数。这一结果表明,虽然通用量子计算需要复杂的容错架构,但在现有的噪声系统中已经出现了量子优势
2015-12-18 quant-ph
Machine learning with minimal use of quantum computers: Provable advantages in Learning Under Quantum Privileged Information (LUQPI)
Leiden University(莱顿大学);Honda Research Institute Europe GmbH(本田欧洲研究院有限公司);CWI Amsterdam(阿姆斯特丹数学中心)
本文研究了在量子优先信息下的学习框架,证明了在特定条件下量子特征提取能带来指数级的量子-经典优势。
2026-01-29 quant-ph
Computational advantage from quantum superposition of multiple temporal orders of photonic gates
最近,人们提出了基于量子叠加原理的电路连接量子计算模型。在那里,控制量子系统可以相干地确定目标量子系统经历$N$门操作的顺序。这个过程被称为量子$N$ -开关,是几个信息处理任务的资源。特别是,它提供了一个计算优势-固定门阶量子线路-相位估计问题,涉及$N$未知的酉门。然而,相应的算法需要一个实验上不可行的目标系统尺寸(超)指数在$N$。在这里,我们介绍了一个承诺的问题,量子$N$开关给出了一个等效的计算速度与目标系统的尺寸小到2,无论$N$。我们使用最先进的多芯光纤技术,实验证明量子$N$开关与$N=4$门作用于光子偏振量子比特。这是第一次观察到的量子叠加超过$N=2$时间顺序,证明其有效的相位估计的有用性。
2021-02-09 quant-ph
Linear cross-entropy certification of quantum computational advantage in Gaussian Boson Sampling
本文提出用基于理想分布的线性交叉熵修改版(LXE分数)直接验证高斯玻色采样实现,避免依赖基态真值假设,并解析计算了无损耗实现的参考分数。
2024-10-02 quant-ph
Taking advantage of noise in quantum reservoir computing
本文研究量子噪声对量子储备池计算的影响,发现振幅阻尼噪声可提升机器学习性能,而退极化和相位阻尼噪声应优先纠正,为噪声硬件上的量子信息处理提供实践依据。
2023-06-08 quant-ph
Experimentally feasible computational advantage from quantum superposition of gate orders
在普通的量子算法中,门以固定的顺序应用于系统。不确定因果结构的引入允许放松这一约束,并利用额外的量子态控制门的顺序。已知的是,这种量子控制的门的排序可以降低在相对于其中以固定顺序应用门的最佳算法来决定黑盒酉的属性时的查询复杂度。然而,到目前为止,所有明确发现的任务都需要幺正,要么作用于渐近极限(大量黑盒门的极限情况)的无界维量子系统,要么作用于量子比特,但只涉及少数幺正。在这里,我们介绍的任务(1),有一个可证明的计算优势的量子控制排序的门在渐近的情况下,(2)只需要量子位门,因此适合于证明这种优势的实验。我们研究了他们的解决方案与量子$n$开关和量子线路模型内,并发现,虽然$n$开关需要调用每个门只有一次,因果算法至少调用$2n-1$门。此外,具有固定门排序的最佳已知解决方案调用$O(n\log_2{(n)})$门。
2021-12-29 quant-ph
Computational advantage from quantum-controlled ordering of gates
通常假设量子计算是通过以特定顺序应用门来执行的。人们可以通过允许控制量子系统切换应用门的顺序来放松这个假设。这提供了一种更通用的量子计算,它允许在黑盒量子门上进行变换,这在具有固定顺序的电路中是不可能的。在这里,我们表明,这个模型的量子计算是物理上可实现的,通过提出一个干涉设置,可以实现这样的量子控制之间的顺序的门。我们表明,这种新的资源提供了一个减少计算复杂性:我们提出了一个问题,可以解决使用$O(n)$黑盒查询,而最有名的量子算法与固定的门之间的顺序需要$O(n^2)$查询。此外,我们推测,解决这个问题在一个经典的计算机需要指数时间,这可能是独立的利益。
2020-06-09 quant-ph